【技术实现步骤摘要】
本专利技术涉及数据处理，特别涉及一种基于天网大数据的目标活动规律智能分析方法。
技术介绍
1、目标活动规律的分析在目标信息获取及目标追踪中占有关键的地位，对目标活动轨迹信息抽取及预测可以有效把握目标的行进方向与意图。传统的目标活动分析通常是基于不同时间采集的图像进行计算和推理，数据来源比较单一，对目标的活动规律预测准确性较低。
2、“天”是指通过航天/航空/无人机传感器获取的图像、位置等对地观测数据；“网”是指对在互联网中流转、存储的各类公开发布的多媒体数据，天网大数据具备几乎不受限制的数据采集能力，并蕴含丰富的高时效高价值数据信息。随着卫星遥感数据和网络开源数据的大规模应用，若将其作为目标活动分析的数据来源，则可以提升目标活动规律预测的准确性。
技术实现思路
1、本专利技术的目的在于提供一种基于天网大数据的目标活动规律智能分析方法，以提高分析预测的准确性。
2、为了实现上述专利技术目的，本专利技术实施例提供了以下技术方案：
3、一种基于天网大数据的目标活动规律智能分析方法，包括以下步骤：
4、基于天网大数据构建目标的知识图谱和知识组织；
5、获取目标的实时或非实时态势数据，并基于所述知识图谱和知识组织对目标的活动态势进行跟踪分析；
6、基于目标的活动态势的跟踪分析结果、知识图谱、知识组织，对目标的活动规律进行分析；
7、基于目标的规律分析结果、活动态势的跟踪分析结果、知识图谱、知识组织，生成目标画
8、基于可实施方式的举例，所述基于天网大数据构建目标的知识图谱和知识组织的步骤，包括：
9、s101，收集目标的遥感影像数据和网络开源数据；
10、s102，以目标为主体对遥感影像数据和网络开源数据进行映射与合并；
11、s103，基于owl语言对目标的文本描述和相关卫星影像数据进行封装与扩展；
12、s104，以步骤s102和s103处理所得数据为基础，分别构建目标的知识图谱和知识组织；知识图谱是以指定目标为中心，包含该指定目标的全要素信息；知识组织由各个目标组成，且包含每个目标的要素特征、时间特征、空间特征、形态特征、来源特征。
13、作为可实施方式的举例，所述对目标的活动态势进行跟踪分析包括目标识别和态势研判，所述目标识别采用密集连接网络融合yolov3模型，将相同尺寸的特征图连接，且只传输到相同尺度最后一个卷积层的输入端进行相加。
14、上述方案中，只将同尺度的特征图进行连接，且只传输到同尺度最后一个卷积层的输入端，这样既可以减少参数提高运算效率，又可以增加目标识别的准确度。
15、所述对目标的活动规律进行分析包括目标活动轨迹信息抽取和目标活动规律推理；所述目标活动轨迹信息抽取采用基于小样本的高速多核卷积神经网络抽取模型，所述小样本的高速多核卷积神经网络抽取模型包括句子嵌入模块、包嵌入模块和组嵌入模块；
16、先通过词嵌入的方式将目标的历史活动数据集中的文本数据转化为向量的形式并获得句子的表示向量，并将表示向量作为句子嵌入模块的输入；然后，在包嵌入模块中，将所有包含相同实体对的句子的表示向量放入一个包中，并通过注意力机制获得包的表示向量；随后，在组嵌入模块中将所有被分类为同一种关系类型包的表示向量放进一个组中，并通过自注意力机制获得组的表示向量。
17、上述方案中，采用基于小样本的高速多核卷积神经网络（hmkn）抽取模型，以解决语料数量大的问题。
18、在可实施方案中，所述目标活动规律推理采用基于卷积神经网络的知识补全模型，首先把三元组的向量表示进行初始化，将所有向量拼在一起形成矩阵a，并把该矩阵a表示输入到卷积层；然后在卷积层中通过1x3、3x3和5x3形状的滤波器在三元组矩阵上进行逐行卷积，生成三元组的特征提取，并将特征提取全部展开输入到两个全连接层；最后，在全连接层计算出一个代表三元组合理性的score，选择最大值的score作为目标活动规律的正确实体，score的计算方式为：f(h,r,t)=g(vec(g(a*ω))·w1)·w2，a分别代表三元组中头实体h、关系r、尾实体t拼成的矩阵表示，*代表卷积，ω代表一组滤波器，g代表relu函数，vec代表向量化，·代表点乘，w1、w2均表示矩阵。
19、上述方法通过反向传播训练模式得到三元组的合理表示，在这个表示的基础上，给定头实体和关系的情况下预测尾实体，或者给定关系和尾实体的情况下预测头实体。通过上述方法不仅可以预测目标的获得规律，而且预测的准确性高。
20、作为可实施方式的举例，目标画像的生成与可视化展示包括以下步骤：
21、s401，选择目标；
22、s402，从知识图谱和知识组织中获取被选目标的基本信息、雷达装备、目标威胁、目标位置等，及历史数据、实侦雷达情况、目标影像切片，并基于这些信息构建目标画像；
23、s403，实时获取目标的数据，所述数据包含：目标的最新侦测经纬度及告警信息；
24、s404，设置目标轨迹数据的起始时间和结束时间，查询该时间段内的轨迹数据，以图的形式展示目标的阵位图、热力图，以列表的形式显示目标轨迹点详情数据；
25、s405，设置目标实侦雷达数据的起始时间和结束时间，查询该时间段内的实侦雷达数据，显示到列表中；
26、s406，设置目标影像切片数据的起始时间和结束时间，从数据库中查询目标在该时间段内的影像切片数据，以图的形式展示。
27、与现有技术相比，本专利技术通过对目标知识建模、知识组织、智能识别、态势跟踪研判、活动航迹信息抽取、活动规律推理、目标画像生成，以及最终目标画像可视化展示等相关技术的研究，实现从大量碎片化、静态化的数据中建立目标活动及时空事件的关联关系，挖掘一定的活动规律，并能够对目标的活动信息进行多维度画像，为指挥决策提供辅助支撑。
本文档来自技高网...【技术保护点】
1.一种基于天网大数据的目标活动规律智能分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述基于天网大数据构建目标的知识图谱和知识组织的步骤，包括：
3.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述对目标的活动态势进行跟踪分析包括目标识别和态势研判，所述目标识别采用密集连接网络融合YOLOv3模型，将相同尺寸的特征图连接，且只传输到相同尺度最后一个卷积层的输入端进行相加。
4.根据权利要求3所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述态势研判的处理包括步骤：
5.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述对目标的活动规律进行分析包括目标活动轨迹信息抽取和目标活动规律推理；所述目标活动轨迹信息抽取采用基于小样本的高速多核卷积神经网络抽取模型，所述小样本的高速多核卷积神经网络抽取模型包括句子嵌入模块、包嵌入模块和组嵌入模块；
6.根据权利要求5所述的基于天网大数据的目标
7.根据权利要求5所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述目标活动规律推理采用基于卷积神经网络的知识补全模型，首先把三元组的向量表示进行初始化，将所有向量拼在一起形成矩阵A，并把该矩阵A表示输入到卷积层；然后在卷积层中通过1x3、3x3和5x3形状的滤波器在三元组矩阵上进行逐行卷积，生成三元组的特征提取，并将特征提取全部展开输入到两个全连接层；最后，在全连接层计算出一个代表三元组合理性的score，选择最大值的score作为目标活动规律的正确实体，Score的计算方式为：f(h,r,t)=g(vec(g(A*Ω))·w1)·w2，A分别代表三元组中头实体h、关系r、尾实体t拼成的矩阵表示，*代表卷积，Ω代表一组滤波器，g代表Relu函数，vec代表向量化，·代表点乘，w1、w2均表示矩阵。
8.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，目标画像的生成与可视化展示包括以下步骤：
...【技术特征摘要】
1.一种基于天网大数据的目标活动规律智能分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述基于天网大数据构建目标的知识图谱和知识组织的步骤，包括：
3.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述对目标的活动态势进行跟踪分析包括目标识别和态势研判，所述目标识别采用密集连接网络融合yolov3模型，将相同尺寸的特征图连接，且只传输到相同尺度最后一个卷积层的输入端进行相加。
4.根据权利要求3所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述态势研判的处理包括步骤：
5.根据权利要求1所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，所述对目标的活动规律进行分析包括目标活动轨迹信息抽取和目标活动规律推理；所述目标活动轨迹信息抽取采用基于小样本的高速多核卷积神经网络抽取模型，所述小样本的高速多核卷积神经网络抽取模型包括句子嵌入模块、包嵌入模块和组嵌入模块；
6.根据权利要求5所述的基于天网大数据的目标活动规律智能分析方法，其特征在于，在高速多核卷积神经网络抽取模型的训练阶段，将每一个组作为模型训练的基本单位，通过关系向量矩阵和组的表示向量，计算出将某个组分类到某个类别标签的得分ok：，其中，rk为关系嵌入矩阵的第k行向量，gk是组的向量表示，dk是...
【专利技术属性】
技术研发人员：梁斯东，
申请(专利权)人：北京道达天际科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。